# 把“这个月销量为什么下滑”改成一个数据能回答的问题

含糊的业务问题缺的是对象、指标口径、时间范围、比较基准和阈值这五个槽位，填完才发现整体数字把两个相反方向的变化抵消了

> 数据分析流程 · 指标口径 · 问题定义 · 约 7 分钟 · 09 月 22 日

## 本篇要点

1. “这个月销量为什么下滑”不是问题，而是一组待定的选择：销量指什么、跟谁比、谁在下滑、算到哪一天。
2. 业务问题问的是“要不要做某事”，分析问题必须写成可比较、可测量的版本，否则数字取回来也接不上决定。
3. 一句可用的问题包含五个槽位：对象、指标口径、时间范围、比较基准、以及决定与阈值。
4. 指标口径要说清四件事：分子数什么、分母是什么、时间窗多长、筛掉了哪些行，写成一句话方便复现。
5. 整体数字适合下结论，不适合找原因；拆开来看，A 渠道跌 40%、B 渠道涨 50%，加在一起只是整体下降 4%，看起来的“基本持平”掩盖了两个相反方向的剧烈变化。
6. 算“某段时间内是否发生”的比例时，分母里每个对象都必须已经过完这个窗口，否则算出来的偏差来自数据截止时间，而不是业务表现。
7. 阈值和口径要在看数之前定下来，看到结果再挑口径，等于先有结论再找证据。
8. 最有效的自检是问：如果数字高和数字低，我们的做法一样吗？一样的话，这件事是监控，不是分析。

---

开会时最常听到的一句话是：“看看这个月销量为什么下滑。”

这句话听起来像个问题，其实是一张没填完的表。它没有说销量指什么、下滑跟谁比、是谁在下滑、算到哪一天为止。你当然可以先取数再说，但那通常换来两轮返工：第一轮取错口径，第二轮拆错维度。

这一篇讲的是取数之前的那一步：怎样把一句含糊的担心，改写成一句有明确对象、指标、时间范围和比较基准、真正可以用数据回答的问题。

## 这句话里至少有四个没说出口的选择

**“销量”指什么？** 可以是收入，可以是订单数，也可以是卖出的件数。这三个数可以往不同方向走：单价涨了、件数少了，收入可能还是涨的。即使都按订单数算，还要决定取消的、退款的订单算不算。同一批业务说“销量”，一个口径数已发货订单，一个口径数全部订单，差额可能相当可观——这不是谁算错了，是“销量”这个词没有被定死 [3][4]。

**“下滑”跟谁比？** 跟上个月比，问的是“我们最近变差了吗”；跟去年同月比，问的是“和去年的季节性比怎么样”；跟目标比，问的是“离计划还差多远”。这三个是不同的问法，答案也可能不一样。

**是谁在下滑？** 是整体，还是某几个渠道、某个区域、某几个品类。整体数字是把所有东西加在一起的产物，而原因通常藏在某一块里。

**算到哪一天？** “这个月”是指一整个自然月，还是滚动 30 天；月底最后几天的订单还在路上，这些数据算不算。这一条决定你手里的数和别人手里的数是不是一回事。

## 先分清：决策问题，还是分析问题

业务侧问的是决策问题——“要不要暂停这个渠道的投放”“要不要提前补货”。这类问题本身没法用数据回答，因为它没说明拿什么来比。

数据能回答的是分析问题：有对象、有指标、有基准、有时间范围的那个版本。

判断自己手上是哪种问题，有个很直接的办法：问一句“如果数字高，我们会做 A；如果数字低，我们会做 B——A 和 B 一样吗？”如果答案是“一样，我就是想看看”，那这件事是监控，不是分析，做完不会有人改变做法 [2]。

上一篇讲的是图和结论之间隔着基准、波动范围和行动指向这三样东西。这一篇要往前挪一步：这三样不是画完图才补的，而是在写问题的时候就该定下来。基准定晚了，取出来的数可能根本没法比。

## 一句话模板

把上面这些收在一句话里，大概是这个形状：

> 在【时间范围】内，对【谁】，【指标】相比【基准】变化了多少，变化集中在哪些切片上；如果超过【阈值】，我们就【做什么】。

拆成五个槽位就是：对象（population）、指标口径（metric）、时间范围（time window）、比较基准（comparison）、决定与阈值（decision + threshold）[1][4]。下面用一个具体例子把每个槽位填一遍。

## 一步步填

### 一、先定指标口径

拿“已发货订单数”做指标，把算法写下来：订单状态为已发货时计一笔，按订单创建时间归入月份。一句话，不含糊 [3]。

一个能站住的口径要说清四件事：分子数什么、分母是什么、时间窗多长、筛掉了哪些行 [5]。写成一句话，贴在指标旁边，以后任何人看到这个数，都能用同一句话复现它。

### 二、再定基准

这次选上月：因为下个月就要做投放预算的决定，需要知道最近的走势。选基准不是技术动作，而是表态——你选了哪个参照物，就等于在问哪个问题。

### 三、然后定阈值

先定阈值，再看数字：如果某个渠道的跌幅超过 15%，我们就暂停该渠道投放并追查。把阈值提前写下来，能避免一件很常见的事——看到数之后再回头挑口径，好让结论对上自己原本的想法 [1]。

### 四、最后定对象和颗粒度

整体数字适合下结论，不适合找原因，所以要把问题写成“按渠道、按品类分别看”。这一句听起来平淡，但它是整件事里最先产生价值的一步。

## 把“为什么”换成“在哪掉”

“为什么下滑”之所以难回答，是因为原因没法直接测。你能做的是把它拆成两步：先定位在哪个切片上掉了，再比较几个候选解释哪个更说得通。

举个数字例子。上月 100 万，本月 96 万，整体下降 4%。单看这个数，很像一次普通的起伏，甚至可以说“基本持平”。但拆开看：

| 渠道 | 上月 | 本月 | 变化 |
| --- | --- | --- | --- |
| A | 60 万 | 36 万 | −40% |
| B | 40 万 | 60 万 | +50% |
| 合计 | 100 万 | 96 万 | −4% |

两条线在往相反方向走，加在一起只差 4%。整体那句“基本持平”描述了一个根本不存在的平稳状态，而真实的动作早该发生在 A 上。

换个场景也一样：某团队看到整体配送迟到率 14%，觉得还能接受；按收货场景拆开后，高层住宅是 22%，独栋是 8.3%，追问的方向立刻从“骑手是不是变慢了”变成“楼宇交付环节出了什么问题” [1]。

拆解的意义不在于把表切得更细，而在于让两个切片之间的差别大到值得解释。

## 两个容易踩的坑

**坑一：口径没定死，分子分母对不上。** 有个很典型的例子：算 90 天复购率时，用错了“顾客”这个标识，同一批数据算出来是 0.0%，看起来像用户完全不回来；换成正确的顾客标识之后，同一个指标变成 20.0% [3]。指标名字没变，做法变了，故事完全反过来。

**坑二：观察期不够，分母里混进了还没机会发生的人。** 还是那个 90 天复购率：最近才首次下单的顾客只过了 35 天，就算他想复购也还没到 90 天，可他被算进分母，被记成“没有回来”。把没走满 90 天的顾客从分母里去掉，这个数从 20.0% 变成 28.6%——分母从 10 个人缩到 7 个人 [3]。

任何时候你算的是一个“在某个时间窗内是否发生”的比例，都要先确认分母里的每个对象都已经过完这个窗口。否则你算出来的不是业务表现，是数据截止日期留下的痕迹。

## 四个自检问题

问题改好前，可以拿这几条过一遍：

1. **换个人照着这句话取数，会得到同一个数吗？** 不会，说明口径还没写死。
2. **现在能说出需要哪几个字段吗？** 说不出来，说明问题还是太抽象。
3. **如果数字高、如果数字低，我们的做法一样吗？** 一样，这就不用做了 [2]。
4. **多少算值得动？** 说不出阈值，说明还没想清楚要拿这个结论干什么。

## 收尾

那句含糊的“这个月销量为什么下滑”，改写后大致是这个样子：

> 本月（1 日至 31 日，口径为已发货订单数）整体销量比上月下降 4%。下降集中在 A 渠道，跌了 40%；B 渠道同期上涨 50%，把整体拉平了。如果 A 渠道跌幅超过 15%，我们就暂停该渠道的投放，并单独追查原因。

前半句是事实，中间是拆解，最后是决定。整句话里没有一个字是靠看图现想的——对象、指标、时间、基准、阈值，都在取数之前就定好了。

这也正是它和上一篇的连接点：基准和波动范围是结论的必需品，但只有先把问题定死，这两样东西才有地方挂。

## 术语表

- 分析问题：把业务上的笼统担心改写成有对象、指标口径、时间范围、比较基准和阈值的一句话，这样数据才能给出答案。
- 指标口径：一个数到底怎么算出来的，包括数什么、除以什么、算哪段时间、筛掉了哪些行；口径没定死，两个人会算出两个数。
- 观察期：要数一件事在一段时间内是否发生，分母里的每个对象都得先走完这段时间，否则会把“还没到时候”误读成“没有发生”。
- 比较基准：用来对照的那个数，选它等于决定了你在问哪个问题。
- 决定规则（阈值）：事先说好数字到什么程度才行动，避免看完数再挑口径。

## 来源

1. [Asking the Right Question Before Touching the Data — 五要素问题模板，以及把“为什么配送迟到”按场景拆开的实例](https://www.boardinfinity.com/blog/asking-the-right-question-before-touching-data/)
2. [Stakeholder Translation: Turning Vague Asks Into Shippable Analyses — 用“结果高/低时你会做什么”逼出决定与阈值](https://resources.rework.com/guides/data-analyst-playbooks/stakeholder-translation-vague-asks)
3. [Module 1: Getting the question right before writing SQL — 写查询前先定 population、metric、time window；复购率在 0.0%、20.0%、28.6% 之间的变化](https://www.nb-data.com/p/module-1-getting-the-question-right)
4. [Turning Business Questions Into Data Queries — 业务问题翻译成查询前的五个要素：实体、指标、时间范围、比较、阈值](https://kissmetrics.io/blog/translate-business-questions-data)
5. [How to Think in Data: Questions, Metrics and Hypotheses — 可信指标要钉死分子、分母、时间窗和筛选条件](https://drpranayjha.com/think-in-data-questions-and-metrics/)

---

原文：https://pangzhengboyin.com/articles/turning-vague-business-question-into-analytical-question-e0d98336

> **庞征博引** · 想学的，慢慢都会
>
> 庞征博引是把想学的东西写成连载的 AI 学习工具。说出想学什么，它会先了解你的基础，再把主题写成一篇篇 5–10 分钟能读完的文章；边读边问，接下来学什么跟着你走。这篇就是这样写出来的。
>
> 开始你自己的连载 → https://pangzhengboyin.com